Google DeepMind présenté AlphaEvolve Le 14 mai, un agent d'IA basé sur Gemini découvre et optimise de manière autonome des algorithmes dans les domaines théoriques et pratiques. Parmi ses principales réalisations, on compte le record battu il y a 56 ans en multiplication matricielle, la résolution de problèmes mathématiques ouverts tels que le « nombre du baiser » à 11 dimensions, et des gains d'efficacité mesurables au sein de l'infrastructure de Google, allant de la planification des centres de données à la conception de puces et à l'apprentissage de modèles à grande échelle. Le système s'appuie sur une boucle évolutive de propositions et d'évaluations, alliant la rapidité de Gemini Flash à la richesse de Gemini Pro, et marque une étape importante vers l'innovation scientifique et industrielle axée sur l'IA.
Contexte et contexte
AlphaEvolve s'appuie sur les succès antérieurs de DeepMind dans la découverte d'algorithmes pilotés par l'IA, notamment AlphaTenseur, qui a surpassé pour la première fois en 2022 l'algorithme de Strassen pour la multiplication de matrices 4×4. Contrairement à ses prédécesseurs, AlphaEvolve est conçu comme un à usage général agent capable de faire évoluer des bases de code entières plutôt que des fonctions uniques, étendant l'invention générée par l'IA des tâches isolées aux flux de travail algorithmiques larges.
Principales avancées d'AlphaEvolve
Battre un record de multiplication matricielle vieux de 56 ans
- Multiplication de matrices complexes 4×4:AlphaEvolve a découvert un algorithme nécessitant 48 multiplications scalaires au lieu des 49 exigées par l'approche historique de Strassen de 1969, un exploit que les mathématiciens recherchaient depuis plus de cinq décennies.
- Améliorations générales:Au total, AlphaEvolve a amélioré 14 paramètres de multiplication de matrice distincts, surpassant systématiquement les méthodes fabriquées à la main par l'homme et les méthodes dérivées de l'IA précédentes.
Solutions innovantes aux problèmes mathématiques ouverts
- Problème du nombre de baisers (11 dimensions):L'IA a relevé la limite inférieure connue de 592 à 593 sphères touchant une sphère centrale, une augmentation progressive mais prouvablement nouveau une avancée dans un défi géométrique vieux de plusieurs siècles.
- Enquête sur plus de 50 problèmes:Appliqué aux domaines de l'analyse, de la combinatoire, de la géométrie et de la théorie des nombres, AlphaEvolve a reproduit l'état de l'art dans 75 % des cas et amélioré sur les solutions existantes dans environ 20 pour cent des cas.
Approche technique
Le pipeline principal d'AlphaEvolve se compose de :
- Génération de propositions via Gemini Flash pour une exploration approfondie et Gemini Pro pour un raisonnement approfondi.
- Évaluation automatisée, où les programmes de vérification vérifient rigoureusement l'exactitude et les performances de chaque candidat.
- Sélection évolutive, en conservant les variantes les mieux notées et en itérant jusqu'à ce que des solutions optimales ou presque optimales émergent.
Cette boucle transforme les grands modèles de langage en une « usine à algorithmes », s’appuyant sur les principes de l’informatique évolutive et de la démonstration automatisée de théorèmes pour favoriser une véritable innovation plutôt qu’une simple paraphrase du code existant.
Impact réel
Infrastructures et gains d'efficacité
- Planification du centre de données:A obtenu un 1 pour cent amélioration de l'efficacité de l'orchestration, se traduisant par des économies d'énergie et de coûts significatives à l'échelle de Google.
- Noyau de formation LLM:Optimisation d'un noyau de multiplication de matrices clés utilisé dans la formation des modèles Gemini, offrant un 23 pour cent accélération de cette opération et réduction du temps de formation global de 1 pour cent—ce qui équivaut à des millions de dollars d’économies de calcul chaque année.
Exploration scientifique
Au-delà du déploiement interne, DeepMind prévoit de lancer un Programme d'accès anticipé pour les chercheurs universitaires sélectionnés, permettant une exploration plus large de la science des matériaux, de la découverte de médicaments et d'autres domaines qui exigent des solutions algorithmiques complexes.
Perspectives d'avenir et défis
Bien que les gains spécifiques à ce domaine soient impressionnants à ce jour, les experts préviennent que l'adaptation de l'approche évolutive d'AlphaEvolve à des problèmes scientifiques toujours plus complexes et à plusieurs étapes nécessitera de nouvelles innovations dans la conception des vérificateurs et la fiabilité des modèles. Néanmoins, les résultats démontrés Synergie IA-humain dans la définition des problèmes, la validation et le raffinement itératif ouvrent une voie prometteuse vers la découverte augmentée par l'IA à une échelle inaccessible aux humains seuls.
Conclusion
AlphaEvolve représente une étape importante dans la conception d'algorithmes pilotés par l'IA, alliant la créativité des grands modèles de langage à une recherche évolutive rigoureuse et à une vérification formelle. En apportant à la fois des avancées théoriques (comme l'amélioration des limites mathématiques) et des gains d'efficacité tangibles pour les opérations de Google, AlphaEvolve souligne le potentiel transformateur de découverte scientifique automatiséeAlors que DeepMind se prépare à ouvrir ses portes aux chercheurs externes, la communauté au sens large peut s’attendre à des collaborations sans précédent à la frontière de l’IA et de la science.
Pour commencer
CometAPI fournit une interface REST unifiée qui regroupe des centaines de modèles d'IA, dont la famille Gemini AI, sous un point de terminaison cohérent, avec gestion intégrée des clés API, des quotas d'utilisation et des tableaux de bord de facturation. Plus besoin de jongler avec plusieurs URL et identifiants de fournisseurs.
Les développeurs peuvent accéder Pré-API Flash Gemini 2.5 etc. à travers API CometPour commencer, explorez les capacités du modèle dans le Playground et consultez le Guide de l'API pour des instructions détaillées.